Utilização de algoritmos biologicamente plausíveis no auxílio de diagnóstico de infecções fúngicas e neoplasias pulmonares em exames de raio-x

Abstract

Este trabalho investiga a aplicação de algoritmos biologicamente plausíveis, com ênfase em Redes Neurais de Picos (SNNs, do inglês Spike Neural Networks), no auxílio ao diagnóstico de infecções fúngicas e neoplasias pulmonares em imagens de raio-X. O estudo compara o desempenho e a eficiência energética de diferentes arquiteturas de redes neurais, incluindo Redes Neurais Artificiais, Redes Neurais Convolucionais, e SNNs, utilizando subconjuntos do banco de dados NIH Chest X-rays. As redes foram avaliadas em tarefas de classificação multiclasse (Normal, Infecção e Neoplasia) e binária (Normal vs. Infecção), a partir de métricas de acurácia, precisão, recall e F1-score, além do consumo energético medido com a ferramenta Carbontracker. Os resultados indicam que a versão convolucional da SNN apresenta desempenho competitivo em acurácia (até 79%) e F1-scoreN(em torno de 60%), enquanto a SNN não convolucional destaca-se pela elevada eficiência energética, com esparcidade superior a 90% em determinadas camadas e consumo significativamente inferior ao de arquiteturas convencionais. Conclui-se que os modelos de redes neurais que utilizam picos representam uma alternativa promissora para aplicações médicas em contextos com restrições computacionais e energéticas, conciliando sustentabilidade e viabilidade diagnóstica.

This work investigates the application of biologically plausible algorithms, focusing on Spiking Neural Networks (SNNs), to assist in the diagnosis of fungal infections and pulmonary neoplasms using chest X-ray images. The study compares the performance and energy efficiency of different neural network architectures, including Artificial Neural Network, Convolutional Neural Network, and SNNs, using subsets of the NIH Chest X-rays dataset. The networks were evaluated in multiclass (Normal, Infection, and Neoplasia) and binary (Normal vs. Infection) classification tasks, based on accuracy, precision, recall, and F1-score metrics, as well as energy consumption measured with the Carbontracker tool. The results indicate that the convolutional version of the SNN achieves competitive performance in accuracy (up to 79%) and F1-score (around 60%), while the non-convolutional SNN stands out for its high energy efficiency, with sparsity exceeding 90% in some layers and significantly lower consumption compared to conventional architectures. It is concluded that SNNs represent a promising alternative for medical applications in computationally and energetically constrained environments, combining sustainability with diagnostic viability.